目标丢失对末制导炮弹末导段弹道特性影响

针对末制导炮弹受光电干扰及天气等因素影响,在末导段出现丢失目标以及丢失后重新捕获目标等情况,依据小扰动原理建立了比例导引模式下末制导炮弹控制模型,获取末制导炮弹的脱靶量、法向过载等与目标丢失时机以及丢失时间长短的解析关系,对目标机动特性不同情况下失去目标及重新捕获目标后的弹道特性进行了仿真,对比分析了目标静止及机动情况下仿真结果中各种指标变化的异同及原因。仿真结果表明,末导段目标丢失会对末制导炮弹弹道特性造成显著影响,尤其是在目标采取机动的情况下。

网球运动视频目标丢失点特征补偿方法研究

对于网球运动视频目标丢失点的特征补偿,传统方法有效性不足的缺陷,提出基于帧间差分消除的网球运动视频目标丢失点特征补偿方法。首先构建三维检测目标模型,利用帧间差分消除算法从运动视频图像中提取背景,预测目标运动轨迹,通过希尔伯特变换分析图像前景的轨迹相位差值特性,检测出目标丢失点。通过观察目标丢失点顶点结构,给出目标丢失点补偿措施。实验实测数据表明,所提方法对网球运动视频目标丢失点的分辨能力得到了大幅度提升,对丢失点的特征补偿精度更高,并且反应时间有效缩短。

目标丢失判别机制的视觉跟踪算法及应用研究

当跟踪对象被严重遮挡或者离开相机视野范围时,机器人的跟踪目标往往会丢失。为了实现准确跟踪,提出了目标丢失判别跟踪YOLO-RTM算法。该方法通过YOLOv3检测视频第一帧中的目标。利用实时多域卷积神经网络(Real-Time MDNet,RT-MDNet)跟踪算法预测目标边界框的变化。计算重叠度,根据重叠度与预设阈值的比较结果决定模型更新方式,当重叠度高于阈值时,采用RT-MDNet更新外观模型,当重叠度低于阈值时,采用YOLOv3重新搜索目标并更新外观模型。在Turtlebot2机器人上的实验结果表明,提出的算法能满足移动机器人跟踪的可靠性,且有效提高跟踪算法的实用性。

基于异常值检测的KCF目标丢失预警方法研究

当目标受尺度变化、严重遮挡、相似目标干扰、光照变化和出视野等因素影响时,核相关滤波器(KCF)跟踪算法会出现目标丢失现象。目标一旦丢失,KCF跟踪算法本身是不能察觉的,并且跟踪器会将背景信息作为目标继续进行跟踪,导致目标彻底丢失。针对这一问题,在KCF跟踪算法的基础上,提出了一种基于异常值检测方法的目标丢失预警机制。该方法利用一组固定维数动态峰值数据的均值和标准差对每帧的响应峰值进行检测,如若发现异常峰值,则判定目标丢失或即将丢失,解决了KCF跟踪器在跟踪过程中目标丢失不能察觉的问题。实验结果表明,所提出的方法在KCF算法跟踪过程中目标丢失时,能够正确预警,成功率达到100%,具有很高的可靠性,为目标丢失后何时载入目标重检测定位提供可靠的依据。

抗目标丢失的视觉机器人跟踪算法

基于视觉跟踪系统的机器人需要能准确、稳定地识别目标并跟踪目标位置,跟踪算法对于提高视觉跟踪系统的性能十分重要,但是在目标被遮挡、目标出镜头等情况下跟踪算法会丢失目标。机械臂末端控制器因无法收到准确的目标位置信息,导致跟踪失败,稳定性及鲁棒性很差。针对目标丢失导致的机器人跟踪不准确问题,提出了一种目标丢失判断机制,在目标丢失状态下的机器人对跟踪路径的规划并找回目标继续跟踪的算法。通过对实时保存的目标信息重检测,确定目标丢失的类别,并在目标消失在镜头视野内时规划机器人的跟踪路径。实验结果表明可以有效的判断目标丢失状态以及丢失类别,在视觉跟踪机器人实际应用中可以灵活准确的对丢失后的目标实施跟踪任务。

基于跟踪异常与相关性检验的目标丢失判断

针对互补性实时跟踪算法(Staple)在目标丢失后不能察觉,提出了基于跟踪异常与相关性检验的目标丢失判断方法。在平均峰值相关能量的基础上通过对颜色直方图模型响应进行评估,提出了一种改进的跟踪置信度评估方法。根据跟踪置信度对跟踪状态进行评估,并在高置信度情况下使用目标区域构建目标相关性检验模板。当相关滤波模型响应置信度由低变高后,使用目标相关性检验模板与当前目标区域进行相关性检验得到相似度,根据相似度值大小判断目标是否丢失。在OTB-100标准数据集中选取22段视频进行验证,实验结果表明,所提出的方法在Staple算法跟踪过程中能够及时地检测出遮挡、出视野和光照变化等干扰因素导致的跟踪异常。能够正确地判断目标丢失,成功率达100%,为跟踪异常后是否进行目标重检测和实际工程应用中目标丢失判断提供可靠的依据。

杂波中多传感器数据融合改善目标航迹丢失的理论分析

本文从理论上讨论杂波环境中,多传感器数据融合对目标航迹丢失的改善。通过建立融合预测估计误差的转移概率密度函数,分析了目标航迹丢失的机理。在“最近邻”关联准则下,计算了融合航迹维持和融合航迹起始时的跟踪性能——融合航迹平均丢失时间和融合航迹累积丢失概率与杂波密度的关系,并与单传感器的情形作了比较。结果表明,多传感器的航迹融合减小了目标丢失的可能性,提高了跟踪性能。这一结论对进一步理解数据融合的作用具有重要的理论意义。

INDRA自动化系统雷达目标丢失问题的分析

引言 西班牙INDRA自动化系统可为区域、进近、塔台提供可靠的空中交通管制服务。随着民航西北空管局区域管制中心干2013年11月18日零时正式开展管制业务，INDRA自动化系统也正式成为西北地区空中交通管制工作的主用自动化系统。针对该系统，民航西北空管局于2013年9月4～5日进行了校飞工作，本文主要讨论在校飞过程中暴露出个别航班在雷达屏幕上目标丢失的现象，对该现象进行分析与数模仿真，并对该问题的出现给出了合理的解释。

被动导引头抗目标信号丢失方法研究

围绕被动导引头跟踪过程中目标辐射源信号丢失的问题,提出一种基于目标状态估计的抗目标信号丢失方法。该方法利用非线性跟踪滤波算法对目标状态进行估计和外推,不需要添加其他机载硬件设备。计算机仿真表明,采用状态估计方法可以有效减小由于目标信号丢失给被动导引头带来的不利影响,增强被动导引头抗目标信号丢失能力。

Telephonics自动化系统扇区内目标丢失原因分析

重庆江北机场本场雷达保障由ALENIA马可波罗I型一／二次雷达和THALES RSM970S型二次雷达提供。其中THALES二次雷达系统包括一套RSM970S二次雷达及远程控制和监视系统（RCMS）。在监视覆盖范围内，RSM970S雷达执行对SSR飞行器的监测，并通过ATCC接口给位于空管中心的自动化系统提供目标距离、方位、高度及雷达航迹处理器（IRP）计算的速度矢量。

应答机问题引起的雷达目标丢失实例分析

引言 长春机场空中交通实施雷达管制依赖的雷达设备为单套的国产DLD-100C二次雷达。DLD-100C二次雷达为具备S模式能力的单脉冲二次雷达，该型号雷达性能先进，目前正在全国军民航范围内大量的建设安装。

咸阳机场部分航班雷达目标短暂丢失原因分析及思考

咸阳机场空管调度人员发现航班起飞不久后,雷达上目标有短暂丢失现象,这给管制工作造成了很大困扰。技术保障人员在对此现象进行排查分析后,发现丢失现象是由于飞机进入咸阳机场两部雷达公共盲区所致。本文对此异常现象进行了排查分析,最终找到原因所在,并由此引发了对管制指挥、设备建设、维护工作的思考,对其他地区相关工作有一定的借鉴意义。

双目视觉运动目标跟踪定位系统的设计

针对运动目标在被遮挡时跟踪丢失问题,采用双目视觉对运动目标进行跟踪定位。首先,利用背景差分法实现目标检测;然后,利用Kalman滤波器改进的CamShift算法与FAST角点检测算法相结合,通过缩小角点检测的范围,提高预测的准确性和跟踪速度,同时有效解决了目标跟踪丢失问题;最后,通过双目立体视觉视差原理求出目标的三维坐标,实现对目标的定位。实验结果表明,该系统有效地解决了目标跟踪丢失问题,且算法实时性良好,有利于工业上使用机器人对运动目标的精确抓取。

基于视觉字典的在线多示例目标跟踪

在线多示例目标跟踪算法无法判别目标丢失以及无法适应目标尺度的变化。提出了一种基于视觉字典的在线多示例目标跟踪算法。算法将视觉字典和多示例跟踪分别作为检测器和跟踪器,利用互反馈技术提高跟踪性能。跟踪器完成目标的跟踪并为视觉字典的构建和更新提供训练样本;检测器则对跟踪器的结果(候选样本)进行判定,目标丢失时,暂停跟踪并重新检测目标,目标未丢失时,利用Ransac算法获得目标的尺度变换系数并在新尺度下更新跟踪器。为了提高目标丢失判别的准确性,提出了一种局部随机抽样的直方图相似性度量技术,采用局部划分思想和Noisy-NR模型计算候选样本与训练样本特征直方图的相似性,减少了传统直方图匹配由于受目标局部遮挡影响造成的误判。实验结果表明,该算法能够适应目标的尺度变化,检测目标的丢失,提高了跟踪稳定性。

精密测量雷达航捷丢失原因探讨

分析了单脉冲雷达跟踪过航捷目标丢失的原因。首次提出了接收机互动态范围的概念。

一种地面固定目标的双模跟踪方法

提出了一种由相关跟踪算法的改进算法和形心跟踪算法复合而成的新的双模跟踪算法 .以双模跟踪算法作为算法核心形成一套实时跟踪处理软件系统 ,可用来实现对地面固定目标的模拟跟踪 .同时还讨论了目标判别的策略和对目标丢失后的处理方法 .

基于改进型的抗遮挡运动目标跟踪算法

针对遮挡发生情况下的运动目标跟踪,采用MeanShift算法进行研究与改进.在跟踪运动目标时,跟踪环境中经常会存在一些无法规避的遮挡.仅使用传统的MeanShift算法易发生目标丢失的情况,所以提出了一种结合Kalman预测机制的改进型的抗遮挡MeanShift算法.这种改进型的MeanShift算法可以在发生遮挡时,对运动目标轨迹进行合理预测.在遮挡环境下,结合Kalman后的算法会更加有效的跟踪运动目标,迭代次数减少,并提高了跟踪的稳健性.

基于多摄像头协同的目标融合

为解决智能监控视频系统中目标跟踪不准确以及实时性较低而导致目标丢失这一问题(孙晓燕,多摄像机接力目标跟踪关键算法研究:山东大学出版社,2014),采用多摄像头协同的方法和数据融合方法,实现了多摄像头下对目标地实时准确的跟踪。本文利用基于SIFT算法的单应性矩阵变换进行目标图像的数据融合,通过两个USB摄像头以及Visual Studio进行实验验证,分析得出多摄像头协同的目标跟踪,相比于单摄像头跟踪具有更高的鲁棒性、准确性和实时性,可以广泛应用于生活中。

基于梯度方向直方图特征和粒子滤波算法融合的目标跟踪

基于梯度方向直方图特征的运动目标跟踪算法在遇到目标遮挡或运动过快时容易丢失目标,基于粒子滤波跟踪算法虽有较强的抗遮挡能力,但存在着计算量大、实时性差等问题.针对这些情况,提出一种融合的跟踪方法:正常情况下基于目标梯度方向直方图特征跟踪目标,当候选目标相似度小于设定阈值时,自动切换到粒子滤波跟踪算法.实验结果显示本算法有效地解决了目标遮挡或运动过快时的丢失问题,同时减轻了粒子的退化现象,提高了算法的实时性,并在图像对比度较低情况下能较好的跟踪目标.

AMAUKF应用于无人机跟踪目标再捕获研究

无人机(UAV)在使用滤波器对目标跟踪时常遇到目标丢失情况,然而在目标丢失时使用一步估计代替估计值会对跟踪精度造成较大影响,鉴于此,将自适应衰减记忆滤波(AMAF)理论应用于无迹卡尔曼滤波(UKF)以提高再次捕获目标后的跟踪精度;新的滤波器命名为自适应衰减记忆卡尔曼滤波(AMAUKF);在此基础上设计了滤波流程和计算机仿真实验,结果表明新的滤波器不但缩短了收敛步长,而且提高了跟踪精度。